Use of physics-augmented neural networks for unsupervised learning of material constitutive relations - Comparison of the NN-Euclid and NN-mCRE methods - GDR I-GAIA
Rapport Année : 2023

Use of physics-augmented neural networks for unsupervised learning of material constitutive relations - Comparison of the NN-Euclid and NN-mCRE methods

Edgar Zembra
  • Fonction : Auteur
Antoine Benady
Laboratoire de Mécanique Paris-Saclay
CV
Emmanuel Baranger
Laboratoire de Mécanique Paris-Saclay
Ludovic Chamoin
Laboratoire de Mécanique Paris-Saclay

Mots clés

I-GAIA

Domaines

Sciences de l'ingénieur [physics]
Fichier principal
Vignette du fichier
Rapport_Stage_ZEMBRA_Edgar.pdf (1.92 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Ludovic Chamoin  : Connectez-vous pour contacter le contributeur

https://hal.science/hal-04255767

Soumis le : mardi 24 octobre 2023-11:08:17

Dernière modification le : mardi 4 juin 2024-13:44:03

Archivage à long terme le : jeudi 25 janvier 2024-19:06:50

Télécharger pour visualiser

Dates et versions

hal-04255767 , version 1 (24-10-2023)

Identifiants

  • HAL Id : hal-04255767 , version 1

Citer

Edgar Zembra, Antoine Benady, Emmanuel Baranger, Ludovic Chamoin. Use of physics-augmented neural networks for unsupervised learning of material constitutive relations - Comparison of the NN-Euclid and NN-mCRE methods. ENS Paris-Saclay; Centrale Supélec. 2023. ⟨hal-04255767⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

CNRS ENS-CACHAN MSSMAT LMT CENTRALESUPELEC LARA UNIV-PARIS-SACLAY SORBONNE-UNIVERSITE SU-SCIENCES ENS-PARIS-SACLAY LMPS GDRIGAIA
168 Consultations
134 Téléchargements

Partager

More